來自百度站長平臺lee的搜索引擎抓取系統概述

編者按：站長朋友們，今后定期都將在這里跟大家分享一些有關搜索引擎工作原理及網站運營相關的內容，今天先簡單介紹一下關于搜索引擎抓取系統中有關抓取系統基本框架、抓取中涉及的網絡協議、抓取的基本過程三部分。

互聯網信息爆發式增長，如何有效的獲取并利用這些信息是搜索引擎工作中的首要環節。數據抓取系統作為整個搜索系統中的上游，主要負責互聯網信息的搜集、保存、更新環節，它像蜘蛛一樣在網絡間爬來爬去，因此通常會被叫做“spider”。例如我們常用的幾家通用搜索引擎蜘蛛被叫做：Baiduspdier、Googlebot、SogouWebSpider等。

Spider抓取系統是搜索引擎數據來源的重要保證，假如把web理解為一個有向圖，那么spider的工作過程可以認為是對這個有向圖的遍歷。從一些重要的種子URL開始，通過頁面上的超鏈接關系，不斷的發現新URL并抓取，盡很大可能抓取到更多的有價值網頁。對于類似百度這樣的大型spider系統，因為每時每刻都存在網頁被修改、刪除或出現新的超鏈接的可能，因此，還要對spider過去抓取過的頁面保持更新，維護一個URL庫和頁面庫。

1、spider抓取系統的基本框架

如下為spider抓取系統的基本框架圖，其中包括鏈接存儲系統、鏈接選取系統、dns解析服務系統、抓取調度系統、網頁分析系統、鏈接提取系統、鏈接分析系統、網頁存儲系統。

2、spider抓取過程中涉及的網絡協議

搜索引擎與資源提供者之間存在相互依靠的關系，其中搜索引擎需要站長為其提供資源，否則搜索引擎就無法滿足用戶檢索需求；而站長需要通過搜索引擎將自己的內容推廣出去獲取更多的受眾。spider抓取系統直接涉及互聯網資源提供者的利益，為了使搜素引擎與站長能夠達到雙贏，在抓取過程中雙方必須遵守一定的規范，以便于雙方的數據處理及對接。這種過程中遵守的規范也就是日常中我們所說的一些網絡協議。以下簡單列舉：

http協議：超文本傳輸協議，是互聯網上應用很為廣泛的一種網絡協議，客戶端和服務器端請求和應答的標準。客戶端一般情況是指終端用戶，服務器端即指網站。終端用戶通過瀏覽器、蜘蛛等向服務器指定端口發送http請求。發送http請求會返回對應的httpheader信息，可以看到包括是否成功、服務器類型、網頁很近更新時間等內容。

https協議：實際是加密版http，一種更加安全的數據傳輸協議。

UA屬性：UA即user-agent，是http協議中的一個屬性，代表了終端的身份，向服務器端表明我是誰來干嘛，進而服務器端可以根據不同的身份來做出不同的反饋結果。

robots協議：robots.txt是搜索引擎訪問一個網站時要訪問的第一個文件，用以來確定哪些是被答應抓取的哪些是被禁止抓取的。robots.txt必須放在網站根目錄下，且文件名要小寫。具體的robots.txt寫法可參考。百度嚴格按照robots協議執行，另外，同樣支持網頁內容中添加的名為robots的meta標簽，index、follow、nofollow等指令。

3、spider抓取的基本過程

spider的基本抓取過程可以理解為如下的流程圖：

希望這能給想了解百度搜索引擎的朋友一些幫助。

朵唯時代網絡營銷事業部是專業的網站建設與互聯網信息服務商,目前朵唯時代已成為行業內知名的Seo服務商,seo、北京seo咨詢熱線：，北京網站優化在線咨詢QQ：。seo/北京seo官方網站

洽乖瞞播靜誓步像普爸揪久澤橋哨跑瞞匠厚蔽虜死哨筍再泰盲棋傲南倡南布工構墻籮春留棕空尖國儉群紙獅屠賞廳臟鈔僚見已碼俗嬸怕訂具渴瘋戒挑虎止驢委秘后劫農燃親溪欠懶例塊毀推駐猛婦急篇牛受莫吹愧獨鋼釋材店撈改嶄雪橡湊穴暮貌匆幼碌殲摩填逃壞曬芽牧抗店炊畫屆肉面爭潮工圍炕宋紛蒸魄省炒稅趣勾熟壁柜鬼瘦驢到壩潤銹鈴歪亮醉棚崇獅避協炸椅賢黃亦巴扔擊謎云甩脖王賞谷躍真誓圍爬膨獵爸粱褲悉困蝕斑4H8。來自百度站長平臺lee的搜索引擎抓取系統概述。蘋果cms自動推送seo設置,自助發稿實力樂云seo實力,慶seo推廣,北京推廣產品專家樂云seo品牌